こちらでは、日本語に対応したPDF読み取りモジュール、
pdfminer
をご紹介します
筆者プロフィール
【現職】プロダクトマネージャー
【副業】ブログ（月間20万PV）/YouTube/Web・アプリ制作
「プログラミング × ライティング × 営業」の経験を活かし、30後半からのIT系職へシフト。現在はプロダクトマネージャーとして、さまざまな関係者の間に入り奮闘してます。当サイトでは、実際に手を動かせるWebアプリの開発を通じて、プログラミングはもちろん、IT職に必要な情報を提供していきます。
【当ブログで紹介しているサイト】
✔人に見せても恥ずかしくないコードを書こう
「リーダブルコード」は、わかりやすく良いコードの定義を教えてくれる本です。
- 見るからにきれいなコードの書き方
- コードの分割方法
- 変数や関数の命名規則
エンジニアのスタンダートとすべき基準を一から解説しています。
何回も読むのに値する本なので、ぜひ手にとって読んでみてください。
コード
$ ~/dev/itc-blog/venv/bin/pdf2txt.py ~/Desktop/sample.pdf > ~/Desktop/output.txt解説
モジュールのインストール
上記のコードを実行するに当たり、インストールの必要が有ります
$ pip install pdfminer
すると、特定のフォルダに、pdf2txt.pyというファイルが作成されます
そのpdf2txt.pyを使い、pdfの読み取りをします
実行ファイルの特定
pdf2txt.pyの場所を特定するには、
linuxでは
$ which pdf2txt.py
Windowsでは、
$ where.exe pdf2txt.py
を実行し、ファイルパスを確認します
実行とアウトプット
下記の通り実行すると日本語表記も含めてpdfを読み取りテキストで返します
$ <pdf2txt.pyのファイルパス> <読み取りたいファイルのパス＞ > ＜アウトプット用のファイルパス＞
まとめ
以上で、日本語のPDFファイル読み取りを説明しました
pdfminerモジュールはまだ他にも使いみちがあるかと思います
詳しくは、
公式ドキュメント（こちら）
もご覧頂きながら色々と試してみて下さい
本日もありがとうございました！